Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# FAQ sur les cas d'utilisation des soins de santé et des sciences de la vie
Les questions suivantes sont fréquemment posées concernant l'utilisation d'Amazon Comprehend Medical LLMs ou les tâches de PNL médicale.
## Comment choisir entre Amazon Comprehend Medical et un LLM ?
Si votre tâche consiste à détecter des entités médicales dans votre texte médical, consultez la documentation [Amazon Comprehend Medical](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html) pour savoir quelles entités médicales peuvent être extraites et si [l'](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html)une des ontologies répond à votre cas d'utilisation. Si ce n'est pas le cas, envisagez d'utiliser un LLM. Pour plus d'informations, consultez [Cas d'utilisation d'Amazon Comprehend Medical](comprehend-medical.md#comprehend-medical-use-cases) et [Cas d'utilisation d'un LLM](llms.md#llm-use-cases) dans ce guide.
## Comment puis-je fournir les résultats d'Amazon Comprehend Medical à un LLM ?
Vous pouvez intégrer les résultats d'Amazon Comprehend Medical en tant que contexte dans vos instructions de maîtrise en droit. Cela fournit des connaissances et une terminologie médicales supplémentaires au LLM. Le contexte fourni peut améliorer les performances du LLM sur des tâches telles que la reconnaissance d'entités, la synthèse ou la réponse aux questions. Le guide fournit plusieurs exemples de la manière de structurer les invites à l'aide des résultats d'Amazon Comprehend Medical. Pour plus d’informations, consultez [Combiner Amazon Comprehend Medical avec de grands modèles linguistiques](comprehend-medical-rag.md) dans ce guide.
## Quelles sont les meilleures pratiques à suivre lors de l'utilisation d'Amazon Comprehend Medical LLMs avec ?
Nous vous recommandons d'utiliser les scores de confiance d'Amazon Comprehend Medical pour filtrer ou hiérarchiser les entités figurant dans vos instructions. Il est également important d'évaluer ses performances sur vos données spécifiques et de vérifier que les définitions des entités correspondent à vos exigences. La combinaison d'Amazon Comprehend Medical avec des sources de connaissances spécifiques à un domaine peut encore améliorer les performances du LLM. Pour plus d’informations, consultez [Bonnes pratiques pour utiliser Amazon Comprehend Medical dans un flux de travail RAG](comprehend-medical-rag.md#comprehend-medical-rag-best-practices) dans ce guide.
## Dois-je utiliser un LLM médical préformé ou peaufiner un LLM général pour mon cas d'utilisation dans le secteur de la santé ?
La décision dépend de vos besoins spécifiques et de la disponibilité de données d'entraînement de haute qualité. Un médecin préformé LLMs peut constituer un bon point de départ. Toutefois, il se peut que vous deviez les ajuster avec les données spécifiques à votre domaine. Si vous disposez de suffisamment de données étiquetées, le réglage précis d'un LLM général peut être une option viable. Pour plus d'informations, consultez [Choisir un LLM](llms.md#llm-selection) et [Choisir une approche de PNL pour les soins de santé et les sciences de la vie](choosing-approach.md) dans ce guide.
## Comment puis-je évaluer les performances des tâches LLMs de PNL médicale ?
Nous recommandons d'utiliser des mesures quantitatives, telles que l'exactitude, la précision, le rappel et le score F1 pour la classification du texte et les tâches de reconnaissance d'entités nommées. Vous pouvez utiliser ROUGE et METEOR pour les tâches de génération de texte. Il est important de disposer de données fiables certifiées par des experts en la matière et de mettre en œuvre des processus de surveillance des performances des modèles au fil du temps. Pour plus d’informations, consultez [Évaluation LLMs pour les applications des soins de santé et des sciences de la vie](evaluation.md) dans ce guide.
## Quels sont les compromis entre les solutions LLM très complexes et les solutions LLM peu complexes ?
La mise au point d'un LLM ou la création d'un LLM personnalisé sont des solutions très complexes. Ces approches peuvent améliorer les performances, mais elles entraînent des coûts et des exigences de maintenance plus élevés. Des solutions plus simples, telles que l'utilisation d'Amazon préformé LLMs ou d'Amazon Comprehend Medical, peuvent fournir des performances acceptables avec des coûts réduits et des cycles de développement plus rapides. Cependant, ces approches peuvent ne pas répondre à des exigences de précision strictes dans certains cas d'utilisation. Pour plus d’informations, consultez [Considérations relatives à la maturité commerciale](choosing-approach.md#business-maturity) dans ce guide.